[프로젝트로 배우는 데이터사이언스]pima_diabetes_eda
2024. 6. 27. 02:13ㆍMOOC
Exploratory Data Analysis
데이터셋 출처
데이터 구성
- Pregnancies : 임신 횟수
- Glucose : 2시간 동안의 경구 포도당 내성 검사에서 혈장 포도당 농도
- BloodPressure : 이완기 혈압 (mm Hg)
- SkinThickness : 삼두근 피부 주름 두께 (mm), 체지방을 추정하는데 사용되는 값
- Insulin : 2시간 혈청 인슐린 (mu U / ml)
- BMI : 체질량 지수 (체중kg / 키(m)^2)
- DiabetesPedigreeFunction : 당뇨병 혈통 기능
- Age : 나이
- Outcome : 768개 중에 268개의 결과 클래스 변수(0 또는 1)는 1이고 나머지는 0입니다.
라이브러리 로드
In [1]:
# 데이터 분석을 위한 pandas, 수치계산을 위한 numpy
# 시각화를 위한 seaborn, matplotlib.pyplot 을 로드합니다.
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
데이터 로드
In [2]:
df = pd.read_csv("C:/Users/82106/Desktop/데이터 분석 프로젝트 2/당뇨병 머신러닝/데이터/archive/diabetes.csv")
df.shape
Out[2]:
(768, 9)In [3]:
# 위에서 5개만 미리보기 합니다.
df.head()
Out[3]:
PregnanciesGlucoseBloodPressureSkinThicknessInsulinBMIDiabetesPedigreeFunctionAgeOutcome01234
| 6 | 148 | 72 | 35 | 0 | 33.6 | 0.627 | 50 | 1 |
| 1 | 85 | 66 | 29 | 0 | 26.6 | 0.351 | 31 | 0 |
| 8 | 183 | 64 | 0 | 0 | 23.3 | 0.672 | 32 | 1 |
| 1 | 89 | 66 | 23 | 94 | 28.1 | 0.167 | 21 | 0 |
| 0 | 137 | 40 | 35 | 168 | 43.1 | 2.288 | 33 | 1 |
In [4]:
# info로 데이터타입, 결측치, 메모리 사용량 등의 정보를 봅니다.
df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 768 entries, 0 to 767
Data columns (total 9 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 Pregnancies 768 non-null int64
1 Glucose 768 non-null int64
2 BloodPressure 768 non-null int64
3 SkinThickness 768 non-null int64
4 Insulin 768 non-null int64
5 BMI 768 non-null float64
6 DiabetesPedigreeFunction 768 non-null float64
7 Age 768 non-null int64
8 Outcome 768 non-null int64
dtypes: float64(2), int64(7)
memory usage: 54.1 KB
In [5]:
# 결측치를 봅니다.
df_null = df.isnull()
df_null.head()
Out[5]:
PregnanciesGlucoseBloodPressureSkinThicknessInsulinBMIDiabetesPedigreeFunctionAgeOutcome01234
| False | False | False | False | False | False | False | False | False |
| False | False | False | False | False | False | False | False | False |
| False | False | False | False | False | False | False | False | False |
| False | False | False | False | False | False | False | False | False |
| False | False | False | False | False | False | False | False | False |
In [6]:
df_null.sum()
Out[6]:
Pregnancies 0
Glucose 0
BloodPressure 0
SkinThickness 0
Insulin 0
BMI 0
DiabetesPedigreeFunction 0
Age 0
Outcome 0
dtype: int64In [7]:
# 수치데이터에 대한 요약을 봅니다.
df.describe()
Out[7]:
PregnanciesGlucoseBloodPressureSkinThicknessInsulinBMIDiabetesPedigreeFunctionAgeOutcomecountmeanstdmin25%50%75%max
| 768.000000 | 768.000000 | 768.000000 | 768.000000 | 768.000000 | 768.000000 | 768.000000 | 768.000000 | 768.000000 |
| 3.845052 | 120.894531 | 69.105469 | 20.536458 | 79.799479 | 31.992578 | 0.471876 | 33.240885 | 0.348958 |
| 3.369578 | 31.972618 | 19.355807 | 15.952218 | 115.244002 | 7.884160 | 0.331329 | 11.760232 | 0.476951 |
| 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.078000 | 21.000000 | 0.000000 |
| 1.000000 | 99.000000 | 62.000000 | 0.000000 | 0.000000 | 27.300000 | 0.243750 | 24.000000 | 0.000000 |
| 3.000000 | 117.000000 | 72.000000 | 23.000000 | 30.500000 | 32.000000 | 0.372500 | 29.000000 | 0.000000 |
| 6.000000 | 140.250000 | 80.000000 | 32.000000 | 127.250000 | 36.600000 | 0.626250 | 41.000000 | 1.000000 |
| 17.000000 | 199.000000 | 122.000000 | 99.000000 | 846.000000 | 67.100000 | 2.420000 | 81.000000 | 1.000000 |
In [8]:
# 가장 마지막에 있는 Outcome 은 label 값이기 때문에 제외하고
# 학습과 예측에 사용할 컬럼을 만들어 줍니다.
# feature_columns 라는 변수에 담아줍니다.
feature_columns = df.columns[:-1].tolist()
feature_columns
Out[8]:
['Pregnancies',
'Glucose',
'BloodPressure',
'SkinThickness',
'Insulin',
'BMI',
'DiabetesPedigreeFunction',
'Age']결측치 시각화
값을 요약해 보면 최솟값이 0으로 나오는 값들이 있습니다.
0이 나올 수 있는 값도 있지만 인슐린이나 혈압 등의 값은 0값이 결측치라고 볼 수 있을 것입니다.
따라서 0인 값을 결측치로 처리하고 시각화 해봅니다.
In [9]:
cols = feature_columns[1:]
cols
Out[9]:
['Glucose',
'BloodPressure',
'SkinThickness',
'Insulin',
'BMI',
'DiabetesPedigreeFunction',
'Age']In [10]:
# 결측치 여부를 나타내는 데이터프레임을 만듭니다.
# 0값을 결측치라 가정하고 정답(label, target)값을 제외한 컬럼에 대해
# 결측치 여부를 구해서 df_null 이라는 데이터프레임에 담습니다.
df_null = df[cols].replace(0, np.nan)
df_null = df_null.isnull()
df_null.sum()
Out[10]:
Glucose 5
BloodPressure 35
SkinThickness 227
Insulin 374
BMI 11
DiabetesPedigreeFunction 0
Age 0
dtype: int64In [11]:
df_null.mean() * 100
Out[11]:
Glucose 0.651042
BloodPressure 4.557292
SkinThickness 29.557292
Insulin 48.697917
BMI 1.432292
DiabetesPedigreeFunction 0.000000
Age 0.000000
dtype: float64In [12]:
# 결측치의 갯수를 구해 막대 그래프로 시각화 합니다.
df_null.sum().plot.barh()
# 결측치를 heatmap 으로 시각화 합니다.
plt.figure(figsize=(15, 4))
sns.heatmap(df_null, cmap="Greys_r")
정답값
- target, label 이라고 부르기도 합니다.
In [14]:
# 정답값인 Outcome 의 갯수를 봅니다.
df["Outcome"].value_counts()
Out[14]:
Outcome
0 500
1 268
Name: count, dtype: int64In [15]:
# 정답값인 Outcome 의 비율을 봅니다.
df["Outcome"].value_counts(normalize=True)
Out[15]:
Outcome
0 0.651042
1 0.348958
Name: proportion, dtype: float64In [16]:
# 다른 변수와 함께 봅니다.
# 임신횟수와 정답값을 비교해 봅니다.
# "Pregnancies"를 groupby 로 그룹화 해서 Outcome 에 대한 비율을 구합니다.
# 결과를 df_po라는 변수에 저장합니다.
df_po = df.groupby(["Pregnancies"])["Outcome"].agg(["mean", "count"]).reset_index()
df_po
Out[16]:
Pregnanciesmeancount012345678910111213141516
| 0 | 0.342342 | 111 |
| 1 | 0.214815 | 135 |
| 2 | 0.184466 | 103 |
| 3 | 0.360000 | 75 |
| 4 | 0.338235 | 68 |
| 5 | 0.368421 | 57 |
| 6 | 0.320000 | 50 |
| 7 | 0.555556 | 45 |
| 8 | 0.578947 | 38 |
| 9 | 0.642857 | 28 |
| 10 | 0.416667 | 24 |
| 11 | 0.636364 | 11 |
| 12 | 0.444444 | 9 |
| 13 | 0.500000 | 10 |
| 14 | 1.000000 | 2 |
| 15 | 1.000000 | 1 |
| 17 | 1.000000 | 1 |
In [17]:
# 임신횟수에 따른 당뇨병 발병 비율
df_po["mean"].plot.bar(rot=0)
countplot
In [18]:
# 위에서 구했던 당뇨병 발병 비율을 구해봅니다.
# 당뇨병 발병 빈도수를 비교 합니다.
sns.countplot(data=df, x="Outcome")
# 임신횟수에 따른 당뇨병 발병 빈도수를 비교합니다.
sns.countplot(data=df, x="Pregnancies", hue="Outcome")
# 임신횟수의 많고 적음에 따라 Pregnancies_high 변수를 만듭니다.
df["Pregnancies_high"] = df["Pregnancies"] > 6
df[["Pregnancies", "Pregnancies_high"]].head()
Out[20]:
PregnanciesPregnancies_high01234
| 6 | False |
| 1 | False |
| 8 | True |
| 1 | False |
| 0 | False |
In [21]:
# Pregnancies_high 변수의 빈도수를 countplot 으로 그리고
# Outcome 값에 따라 다른 색상으로 표현합니다.
sns.countplot(data=df, x="Pregnancies_high", hue="Outcome")
barplot
- 기본 설정으로 시각화 하면 y축에는 평균을 추정해서 그리게 됩니다.
In [22]:
# 당뇨병 발병에 따른 BMI 수치를 비교합니다.
sns.barplot(data=df, x="Outcome", y="BMI")
# 당뇨병 발병에 따른 포도당(Glucose)수치를 비교합니다.
sns.barplot(data=df, x="Outcome", y="Glucose")
# Insulin 수치가 0 이상인 관측치에 대해서 당뇨병 발병을 비교합니다.
sns.barplot(data=df, x="Outcome", y="Insulin")
# 임신횟수에 대해서 당뇨병 발병 비율을 비교합니다.
sns.barplot(data=df, x="Pregnancies", y="Outcome")
# 임신횟수(Pregnancies)에 따른 포도당(Glucose)수치를 당뇨병 발병여부(Outcome)에 따라 시각화 합니다.
sns.barplot(data=df, x="Pregnancies", y="Glucose", hue="Outcome")
# 임신횟수(Pregnancies)에 따른 체질량지수(BMI)를 당뇨병 발병여부(Outcome)에 따라 시각화 합니다.
sns.barplot(data=df, x="Pregnancies", y="BMI", hue="Outcome")
# 임신횟수(Pregnancies)에 따른 인슐린 수치(Insulin)를 당뇨병 발병여부(Outcome)에 따라 시각화 합니다.
# 인슐린 수치에는 결측치가 많기 때문에 0보다 큰 값에 대해서만 그립니다.
sns.barplot(data=df[df["Insulin"] > 0],
x="Pregnancies", y="Insulin", hue="Outcome")
boxplot
In [29]:
# 임신횟수(Pregnancies)에 따른 인슐린 수치(Insulin)를 당뇨병 발병여부(Outcome)에 따라 시각화 합니다.
# 인슐린 수치에는 결측치가 많기 때문에 0보다 큰 값에 대해서만 그립니다.
sns.boxplot(data=df[df["Insulin"] > 0],
x="Pregnancies", y="Insulin", hue="Outcome")
violinplot
In [30]:
# 위의 그래프를 violinplot 으로 시각화 합니다.
plt.figure(figsize=(15, 4))
sns.violinplot(data=df[df["Insulin"] > 0],
x="Pregnancies", y="Insulin", hue="Outcome", split=True)
swarmplot
In [31]:
# 위의 그래프를 swarmplot 으로 시각화 합니다.
plt.figure(figsize=(15, 4))
sns.swarmplot(data=df[df["Insulin"] > 0],
x="Pregnancies", y="Insulin", hue="Outcome")
c:\Users\82106\AppData\Local\Programs\Python\Python310\lib\site-packages\seaborn\categorical.py:3399: UserWarning: 5.3% of the points cannot be placed; you may want to decrease the size of the markers or use stripplot.
warnings.warn(msg, UserWarning)
c:\Users\82106\AppData\Local\Programs\Python\Python310\lib\site-packages\seaborn\categorical.py:3399: UserWarning: 26.6% of the points cannot be placed; you may want to decrease the size of the markers or use stripplot.
warnings.warn(msg, UserWarning)
c:\Users\82106\AppData\Local\Programs\Python\Python310\lib\site-packages\seaborn\categorical.py:3399: UserWarning: 17.2% of the points cannot be placed; you may want to decrease the size of the markers or use stripplot.
warnings.warn(msg, UserWarning)
Out[31]:
<Axes: xlabel='Pregnancies', ylabel='Insulin'>c:\Users\82106\AppData\Local\Programs\Python\Python310\lib\site-packages\seaborn\categorical.py:3399: UserWarning: 15.6% of the points cannot be placed; you may want to decrease the size of the markers or use stripplot.
warnings.warn(msg, UserWarning)
distplot
In [32]:
df_0 = df[df["Outcome"] == 0]
df_1 = df[df["Outcome"] == 1]
df_0.shape, df_1.shape
Out[32]:
((500, 10), (268, 10))In [33]:
# 임신횟수에 따른 당뇨병 발병 여부를 시각화 합니다.
sns.distplot(df_0["Pregnancies"])
sns.distplot(df_1["Pregnancies"])
C:\Users\82106\AppData\Local\Temp\ipykernel_7008\906901944.py:3: UserWarning:
`distplot` is a deprecated function and will be removed in seaborn v0.14.0.
Please adapt your code to use either `displot` (a figure-level function with
similar flexibility) or `histplot` (an axes-level function for histograms).
For a guide to updating your code to use the new functions, please see
https://gist.github.com/mwaskom/de44147ed2974457ad6372750bbe5751
sns.distplot(df_0["Pregnancies"])
C:\Users\82106\AppData\Local\Temp\ipykernel_7008\906901944.py:4: UserWarning:
`distplot` is a deprecated function and will be removed in seaborn v0.14.0.
Please adapt your code to use either `displot` (a figure-level function with
similar flexibility) or `histplot` (an axes-level function for histograms).
For a guide to updating your code to use the new functions, please see
https://gist.github.com/mwaskom/de44147ed2974457ad6372750bbe5751
sns.distplot(df_1["Pregnancies"])
# 나이에 따른 당뇨병 발병 여부를 시각화 합니다.
sns.distplot(df_0["Age"], hist=False, rug=True, label=0)
sns.distplot(df_1["Age"], hist=False, rug=True, label=1)
C:\Users\82106\AppData\Local\Temp\ipykernel_7008\2424226668.py:3: UserWarning:
`distplot` is a deprecated function and will be removed in seaborn v0.14.0.
Please adapt your code to use either `displot` (a figure-level function with
similar flexibility) or `kdeplot` (an axes-level function for kernel density plots).
For a guide to updating your code to use the new functions, please see
https://gist.github.com/mwaskom/de44147ed2974457ad6372750bbe5751
sns.distplot(df_0["Age"], hist=False, rug=True, label=0)
C:\Users\82106\AppData\Local\Temp\ipykernel_7008\2424226668.py:4: UserWarning:
`distplot` is a deprecated function and will be removed in seaborn v0.14.0.
Please adapt your code to use either `displot` (a figure-level function with
similar flexibility) or `kdeplot` (an axes-level function for kernel density plots).
For a guide to updating your code to use the new functions, please see
https://gist.github.com/mwaskom/de44147ed2974457ad6372750bbe5751
sns.distplot(df_1["Age"], hist=False, rug=True, label=1)
Subplots
Pandas 를 통한 histplot 그리기
- pandas를 사용하면 모든 변수에 대한 서브플롯을 한 번에 그려줍니다.
In [35]:
df["Pregnancies_high"] = df["Pregnancies_high"].astype(int)
h = df.hist(figsize=(15, 15), bins=20)
반복문을 통한 서브플롯 그리기
distplot
In [36]:
# 컬럼의 수 만큼 for 문을 만들어서 서브플롯으로 시각화를 합니다.
cols = df.columns[:-1].tolist()
cols
Out[36]:
['Pregnancies',
'Glucose',
'BloodPressure',
'SkinThickness',
'Insulin',
'BMI',
'DiabetesPedigreeFunction',
'Age',
'Outcome']In [37]:
# distplot 으로 서브플롯을 그립니다.
fig, axes = plt.subplots(nrows=3, ncols=3, figsize=(15, 15))
for i, col_name in enumerate(cols):
row = i // 3
col = i % 3
sns.distplot(df[col_name], ax=axes[row][col])
df_0
Out[38]:
PregnanciesGlucoseBloodPressureSkinThicknessInsulinBMIDiabetesPedigreeFunctionAgeOutcomePregnancies_high135710...762763764765767
| 1 | 85 | 66 | 29 | 0 | 26.6 | 0.351 | 31 | 0 | False |
| 1 | 89 | 66 | 23 | 94 | 28.1 | 0.167 | 21 | 0 | False |
| 5 | 116 | 74 | 0 | 0 | 25.6 | 0.201 | 30 | 0 | False |
| 10 | 115 | 0 | 0 | 0 | 35.3 | 0.134 | 29 | 0 | True |
| 4 | 110 | 92 | 0 | 0 | 37.6 | 0.191 | 30 | 0 | False |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 9 | 89 | 62 | 0 | 0 | 22.5 | 0.142 | 33 | 0 | True |
| 10 | 101 | 76 | 48 | 180 | 32.9 | 0.171 | 63 | 0 | True |
| 2 | 122 | 70 | 27 | 0 | 36.8 | 0.340 | 27 | 0 | False |
| 5 | 121 | 72 | 23 | 112 | 26.2 | 0.245 | 30 | 0 | False |
| 1 | 93 | 70 | 31 | 0 | 30.4 | 0.315 | 23 | 0 | False |
500 rows × 10 columns
In [39]:
# 모든 변수에 대한 distplot을 그려 봅니다.
fig, axes = plt.subplots(nrows=4, ncols=2, figsize=(15, 15))
for i, col_name in enumerate(cols[:-1]):
row = i // 2
col = i % 2
sns.distplot(df_0[col_name], ax=axes[row][col])
sns.distplot(df_1[col_name], ax=axes[row][col])
violinplot
In [40]:
# violinplot 으로 서브플롯을 그려봅니다.
fig, axes = plt.subplots(nrows=4, ncols=2, figsize=(15, 15))
for i, col_name in enumerate(cols[:-1]):
row = i // 2
col = i % 2
sns.violinplot(data=df, x="Outcome", y=col_name, ax=axes[row][col])
lmplot
- 상관계수가 높은 두 변수에 대해 시각화 합니다.
In [41]:
# Glucose 와 Insulin 을 Outcome 으로 구분해 봅니다.
sns.lmplot(data=df, x="Glucose", y="Insulin", hue="Outcome")
# Insulin 수치가 0 이상인 데이터로만 그려봅니다.
sns.lmplot(data=df[df["Insulin"] > 0], x="Glucose", y="Insulin", hue="Outcome")
pairplot
In [43]:
# PairGrid 를 통해 모든 변수에 대해 Outcome 에 따른 scatterplot을 그려봅니다.
g = sns.PairGrid(df, hue="Outcome")
g.map(plt.scatter)
In [44]:
df_matrix = df.iloc[:, :-2].replace(0, np.nan)
df_matrix["Outcome"] = df["Outcome"]
df_matrix.head()
Out[44]:
PregnanciesGlucoseBloodPressureSkinThicknessInsulinBMIDiabetesPedigreeFunctionAgeOutcome01234
| 6.0 | 148.0 | 72.0 | 35.0 | NaN | 33.6 | 0.627 | 50 | 1 |
| 1.0 | 85.0 | 66.0 | 29.0 | NaN | 26.6 | 0.351 | 31 | 0 |
| 8.0 | 183.0 | 64.0 | NaN | NaN | 23.3 | 0.672 | 32 | 1 |
| 1.0 | 89.0 | 66.0 | 23.0 | 94.0 | 28.1 | 0.167 | 21 | 0 |
| NaN | 137.0 | 40.0 | 35.0 | 168.0 | 43.1 | 2.288 | 33 | 1 |
In [45]:
# 정답 값인 Outcome을 제외 하고 feature 로 사용할 컬럼들에 대해 0을 결측치로 만들어 줍니다.
# 상관계수를 구합니다.
df_corr = df_matrix.corr()
df_corr.style.background_gradient()
Out[45]:
PregnanciesGlucoseBloodPressureSkinThicknessInsulinBMIDiabetesPedigreeFunctionAgeOutcomePregnanciesGlucoseBloodPressureSkinThicknessInsulinBMIDiabetesPedigreeFunctionAgeOutcome
| 1.000000 | 0.166329 | 0.285013 | 0.167298 | 0.104081 | 0.128207 | -0.006459 | 0.550525 | 0.268218 |
| 0.166329 | 1.000000 | 0.223192 | 0.228043 | 0.581186 | 0.232771 | 0.137246 | 0.267136 | 0.494650 |
| 0.285013 | 0.223192 | 1.000000 | 0.226839 | 0.098272 | 0.289230 | -0.002805 | 0.330107 | 0.170589 |
| 0.167298 | 0.228043 | 0.226839 | 1.000000 | 0.184888 | 0.648214 | 0.115016 | 0.166816 | 0.259491 |
| 0.104081 | 0.581186 | 0.098272 | 0.184888 | 1.000000 | 0.228050 | 0.130395 | 0.220261 | 0.303454 |
| 0.128207 | 0.232771 | 0.289230 | 0.648214 | 0.228050 | 1.000000 | 0.155382 | 0.025841 | 0.313680 |
| -0.006459 | 0.137246 | -0.002805 | 0.115016 | 0.130395 | 0.155382 | 1.000000 | 0.033561 | 0.173844 |
| 0.550525 | 0.267136 | 0.330107 | 0.166816 | 0.220261 | 0.025841 | 0.033561 | 1.000000 | 0.238356 |
| 0.268218 | 0.494650 | 0.170589 | 0.259491 | 0.303454 | 0.313680 | 0.173844 | 0.238356 | 1.000000 |
In [46]:
# 위에서 구한 상관계수를 heatmap으로 시각화 합니다.
plt.figure(figsize=(15, 8))
sns.heatmap(df_corr, annot=True, vmax=1, vmin=-1, cmap="coolwarm")
# Outcome 수치에 대한 상관계수만 모아서 봅니다.
df_corr["Outcome"]
Out[47]:
Pregnancies 0.268218
Glucose 0.494650
BloodPressure 0.170589
SkinThickness 0.259491
Insulin 0.303454
BMI 0.313680
DiabetesPedigreeFunction 0.173844
Age 0.238356
Outcome 1.000000
Name: Outcome, dtype: float64상관계수가 높은 변수끼리 보기
In [48]:
# Outcome 수치에 대한 상관계수만 모아서 봅니다.
df_corr["Outcome"]
Out[47]:
Pregnancies 0.268218
Glucose 0.494650
BloodPressure 0.170589
SkinThickness 0.259491
Insulin 0.303454
BMI 0.313680
DiabetesPedigreeFunction 0.173844
Age 0.238356
Outcome 1.000000
Name: Outcome, dtype: float64상관계수가 높은 변수끼리 보기
In [48]:
# Insulin 과 Glucose 로 regplot 그리기
sns.regplot(data=df, x="Insulin", y="Glucose")# Insulin 과 Glucose 로 regplot 그리기 sns.regplot(data=df, x="Insulin", y="Glucose")
# df_0 으로 결측치 처리한 데이터프레임으로
# Insulin 과 Glucose 로 regplot 그리기
sns.regplot(data=df_matrix, x="Insulin", y="Glucose")
sns.lmplot(data=df_matrix, x="Insulin", y="Glucose", hue="Outcome")
# Age 와 Pregnancies 로 regplot 그리기
sns.regplot(data=df, x="Age", y="Pregnancies")
# Age 와 Pregnancies 로 lmplot 을 그리고 Outcome 에 따라 다른 색상으로 표현하기
sns.lmplot(data=df, x="Age", y="Pregnancies", hue="Outcome", col="Outcome")
'MOOC' 카테고리의 다른 글
| [프로젝트로 배우는 데이터사이언스]pima_classification_baseline_03 (0) | 2024.07.03 |
|---|---|
| [프로젝트로 배우는 데이터사이언스]pima_diabetes_preprocessed (1) | 2024.06.28 |
| [프로젝트로 배우는 데이터사이언스] pima_classification_baseline (1) | 2024.06.27 |
| PyTorch 프로젝트 구조 이해하기 (0) | 2024.06.06 |
| [파이토치로 만드는 딥러닝 이론3] 모델 저장하기 (1) | 2024.06.03 |